大数据在化工厂的应用解决方案(化工大数据)课件.ppt

1、大数据在化工厂的应用解决方案大数据在化工厂的应用解决方案(化工大数据化工大数据)大数据在化工厂的应用解决方案(化工大数据)大数据在化工厂的应用解决方案(化工大数据)课件企业关注点?现状：炼化企业在现有良好精细化管理水平上 为深度解决经济效益和生产安全，决策层需要 以最接近真实的数据预测未来以做出正确的生 产经营决策，生产层需要对生产运行安全性预 测预警落实到装置粒度到实时，以信息化手段 提升企业核心竞争力。基础：中石化炼化企业的信息化建设进入集成 与深化应用阶段，DCS（集散控制系统）+MES（生产制造执行管理系统）+ERP（企业 资源计划管理系统）的高度集成。问题：炼化企业的规模大、流程多、

2、集中度高、管理体系复杂等特点造成结构、半结构及非结 构生产经营数据庞大，如何发现内在规律，优 化业务流程。炼化企业在整合各类独立的应用 信息系统，建设智能工厂打破信息孤岛基础上，如何筛联价值数据，挖掘潜在需求，全局化展 现业务趋势。解决方法：利用大数据技术进行数据抽取、转 换、分析和模型化处理，从中提取辅助生产决 策的关键性数据，实现关系的挖掘和预测。2 生产运行生产运行 经营分析经营分析 异常处理异常处理?数据数据?知识知识?决策！决策！有指有指 导意导意 义义 发现隐藏问题，定性问题定量?化，预测未来 发展 大数据大数据 分析技术分析技术 与业 务相 关 可行 度高 可持 续优 化 企业关

3、注点?现状：炼化企业在现有良好精细化管理水平上 为深大数据应用方案 预测需求预测需求?解决方案：数据管理数据管理 原始数据 原始数据 原始数据 分析预测分析预测 决策调控决策调控 流程优化 有效数据有效数据 异常预警 趋势预测 结构调整 决策/执行者 异常处理?算法分类：在大量数据中系统化的发现有用的关系，通过建立拟合不同模型研究不同关系，即实现经验规律的可重复性。直到发现有用信息，即用于分析原因 解决问题 发现潜在价值，预见可能发生的某种“坏的未来”并给出建议，即预测并提 供解决方案 算法分类 聚类聚类?将数据库划分为不同组 群，群与群之间差别很 明显，而同一个群之间 的数据尽量相似。与分

4、类不同，聚集前不清楚 要把数据分成几组，也 不清楚如何分。分类分类?通过分析示例数据库中 的数据，为每个类别做 出准确的描述或建立分 析模型或挖掘出分类规 则，然后用这个分类规 则对其它数据库中的记 录进行分类。3 关联关联 预测预测 算法说明?根据时间序列型数据，?寻找在同一个事件中出 由历史的和当前的数据 现的不同项的相关性，去推测未来的数据。基 比如在一次购买活动中 于初步的神经网络预测 所买不同商品的相关性。模型加入再训练方法持 本质是要在数据库中发 续改进模型精准度。现强关联规则。大数据应用方案 预测需求?解决方案：数据管理 原始数据 大数据在化工厂的应用解决方案(化工大数据)课件大

5、数据应用方案-茂名石化重整装置案例（1）相关性分析）相关性分析?相关性分析是大数据分析中比较重要的一个分支，它可以在杂乱无章的数据中发现变量之间的 关联。因此利用相关性分析算法可以挖掘传统经验之外的潜在因素，最终实现挖潜增效。研究研究 方法方法 数据采集数据采集 数据整定和标准化数据整定和标准化 相关性分析计算相关性分析计算 原始数据 皮尔逊相关系数法 正相关系数正相关系数 整定算法 相关数据相关数据 负相关系数负相关系数 实现实现 过程过程?导入操作数据、质量数据、导入操作数据、质量数据、腐蚀数据、成本数据、物腐蚀数据、成本数据、物 料平衡数据和能源数据等料平衡数据和能源数据等 所有历史数据

6、到阿里云平所有历史数据到阿里云平 台台；完成相关系统与阿里云的 接口，实现数据的实时导 入。?整定操作数据、质量数据、腐蚀数据、设备运行数据、成本数据、物料平衡数据 和能耗数据等多维度数据；按照时间维度对齐，然后 进行数据滤波、异常值剔 除和标准化。?利用皮尔逊相关系数 算法，计算各个指标 的相关系数矩阵；提取与关键指标强相 关的变量，包括正相 关的变量和负相关的 变量。5 大数据应用方案-茂名石化重整装置案例（1）相关性分析?相相关性分析的应用效果相关性分析的应用效果 精细化管理越来越需要协同管理，而协同管理必定带来大量关联性分析需求。这种需求可以是企业内部不同专业之间，也可能是不同企业跨专

7、业之间。操作条件和 原料性质对 产品收率的 影响 操作条件和 原料性质对 环保排放的 影响 操作条件和 原料性质对 设备运行的 影响；跨业务 域关联 分析 操作条件和 原料性质对 馏出口质量 的影响 操作条件和 原料性质对 单位成本的 影响 操作条件及 原料性质对 设备腐蚀的 影响 6 相关性分析的应用效果 精细化管理越来越需要协同管理，而协同管相关性分析的应用效果相关性分析的应用效果 1 操作条件和原料性质对产品收率的影响操作条件和原料性质对产品收率的影响 2 操作条件和原料性质对设备运行的影响操作条件和原料性质对设备运行的影响 7 相关性分析的应用效果 1 操作条件和原料性质对产品收率的影

8、响相关性分析的应用效果相关性分析的应用效果 3 操作条件、原料性质和馏出口质量对设备腐蚀的影响操作条件、原料性质和馏出口质量对设备腐蚀的影响 4 操作条件和馏出口质量对单位成本的影响操作条件和馏出口质量对单位成本的影响 8 相关性分析的应用效果 3 操作条件、原料性质和馏出口质量对设相关性分析的应用效果相关性分析的应用效果 5 操作条件、馏出口质量对环保排放的影响操作条件、馏出口质量对环保排放的影响 6 操作条件和原料性质对馏出口质量的影响操作条件和原料性质对馏出口质量的影响 9 相关性分析的应用效果 5 操作条件、馏出口质量对环保排放的影大数据应用方案-茂名石化重整装置案例 （2）单一指标异

9、常侦测）单一指标异常侦测?紧扣总部“能效倍增计划”和“碧水蓝天计划”两大主题，并结合企业重点关注的指标，选取 了七个关键指标作为异常侦测的对象，其中辛烷值桶、能耗及芳差综合指标、纯氢收率和热效 率是炼油达标考核指标，烟气SO2排放量和污水COD是环保指标，单位成本是效益指标。数据整定和标准化数据整定和标准化 相关性分析和特性选择相关性分析和特性选择 预测模型搭建预测模型搭建 单一指标异常判断单一指标异常判断 异常指标报警 研究研究 方法方法 原始数据 皮尔逊相关系数法 SVM预测模型 整定算法 正相关系数正相关系数 计算预警红线 实现实现 过程过程 相关数据相关数据?负相关系数负相关系数?模型

10、校验模型校验?参数查询参数查询?原因分析原因分析?问题处理问题处理?整理操作数据、质量数据、腐蚀数据、设备运行数据、成本数据、物料平衡数据 和能耗数据等多维度数据；按照时间维度对齐，然后 进行异常值剔除和标准化。利用皮尔逊相关系数 算法，计算各个指标 的相关系数矩阵，提 取与七个关键指标强 相关的变量，实现特 性选择。筛选出与预测指标强 相关且可调的操作变 量作为SVM 预测模 型 的 输 入，建 立 SVM 预测模型，实 现对七个关键指标的 实时计算。使用箱线图算法对 每个指标的值域进 行计算，计算出每 个指标的异常限。超过异常限的值，即判断该指标异常。10 大数据应用方案-茂名石化重整装置

11、案例 （2）单一指标异常单一指标异常侦测应用效果?以企业实时数据为基础，基于SVM预测模型，进行数据的输入、输出，并以 箱线图进行展示。异常点异常点 七七 个个 指指 标标 异异 常常 值值 判判 断断 计算数据时间范围为：2014年10月至2015年5月 单一指标异常侦测应用效果?以企业实时数据为基础，基于S V M大数据应用方案-茂名石化案例 （3）多维数据异常侦测）多维数据异常侦测?实际生产过程中，可能所有监测指标都在正常范围内，但整体上会偏离正常。比如：某个人体 检的所有指标都正常，但总体上处于亚健康的状态。因此有必要进行多维数据的异常侦测。研究研究 方法方法 数据整定和标准化数据整定

12、和标准化 抽取特征变量和降维抽取特征变量和降维 聚类分析聚类分析 异常预测预警异常预测预警 指标数据 主成分分析法 聚类法 聚类法异常点监测 箱线图算法 多维度、趋势化分析异常 实现实现 过程过程 指标异常点判断指标异常点判断 抽离主要的、无关联指标抽离主要的、无关联指标 K-mens算法 聚类结果及优度聚类结果及优度?目标评估目标评估?方案制定方案制定?系统优化系统优化?进行七个指标的数据集 整理，并按照时间作为 统一维度对齐，然后进 行标准化处理，以消除 量纲和数量级的影响?利用主成分算法抽取特 征变量，以实现用较少 的变量去解释大部分的 变量，达到降维的目的。?提取主成分作为聚 类的数据

13、源，采用 K-mens算法进行聚 类，以寻找异常值。?计算某个每个观察样本与 其所在的聚类中心的欧式 距离，当该距离大于某个 阈值时，即可判断该样本 异常。阈值根据历史数据 统计选定。12 大数据应用方案-茂名石化案例 （3）多维数据异常侦测 多维数据异常侦测应用效果 计算每个样本与其所属类别的聚类中心的欧式距离，当某个样本的距离大于 11/9，配炼埃，配炼埃 阈值时，即可判断该样本为异常样本。斯坡油斯坡油 1?3 2 注：注：+(加号加号)代表异常点代表异常点?(星号星号)代表聚类中心代表聚类中心 异异 常常 指指 标标 3/24，配炼，配炼 巴西卢拉油巴西卢拉油 3/8，E717内漏内漏

14、样本样本1：单指标无单指标无 异常，但多维分析异常，但多维分析 存在异常趋势存在异常趋势 样样本本2、3：单单指指 标异常，多维分析标异常，多维分析 同样存在异常趋势同样存在异常趋势 1 2 3 结论：结论：可见单变量的异常侦测和多维变量的异常侦测在分析装置异常方面，互为补充，互为验证。可见单变量的异常侦测和多维变量的异常侦测在分析装置异常方面，互为补充，互为验证。多维数据异常侦测应用效果 计算每个样本与其所属类别的聚类中心大数据应用方案-茂名石化案例 （4）单一目标参数优化分析）单一目标参数优化分析?在操作样本库中，搜索某类原料条件下目标的最优值及其对应的强相关的操作变量。可以挖掘历史上历史

15、上最 好的操作经验，比如挖掘经验丰富的操作人员的经验并固化下来，且可与RSIM等优化软件互补使用。研究研究 方法方法 重整原料数据 原料聚类分析原料聚类分析 建立原料分类模型建立原料分类模型 分类模型的数据源 形成操作样本库形成操作样本库 待优化目标强相关变量整理 参数寻优参数寻优 不同类别原料目标参数最优值计算 主成分降维 聚类结果输出聚类结果输出 SVM分类器 实现实现 过程过程 分类结果评估分类结果评估?操作样本库生成操作样本库生成?操作参数推荐操作参数推荐?整理重整原料性质的历 史数据，首先经过预处 理和标准化，然后用主 成分降维，最后采用 K-means聚类，并输出聚 类结果?利用原

16、料的聚类结果，建立SVM 分类模型，并对模型的分类效果进 行评估。当有了新的批 次原料的性质数据，可 以自动进行分类。将原料的类别和其 对应的强相关的操 作参数导入操作样 本库中，以此作为 参数寻优的样本。在操作样本库中，搜索不 同类别原料条件下目标参 数的最优值，以及对应的 强相关的操作变量的取值。进而可以实现基于原料性 质和优化目标，推荐操作 参数。14 大数据应用方案-茂名石化案例 （4）单一目标参数优化分单一目标优化应用效果?在操作样本库中使用查询语句，搜索某类原料条件下，目标参数最优时，强 相关操作条件的取值。比如：在 e类原料条件下，最优的纯氢收率为 3.392%，其对应的强相关的

17、操作参数的取值见下表。1、根据原料类别，确定搜索条件，在操 作样本库中搜索目标参数最优时，强相关 操作参数的取值。2、基于原料类别和 优化目标，推荐强相 关操作参数 30 单一目标优化应用效果?在操作样本库中使用查询语句，搜索某类大数据应用方案-茂名石化案例（5）多目标参数优化分析）多目标参数优化分析?根据选择的多个优化目标及其优化方向，确定某类原料条件下每个目标的最优值，并以这些最 优值和历史实际值分别作为多维空间中理论最优点和实际点的坐标。选择离理论最优点最近的 实际点作为优化结果。研究研究 方法方法 建立操作样本库建立操作样本库 确定理论最优点确定理论最优点 选择多个优化目标及优化方向

18、计算欧式距离计算欧式距离 整理不同原料类别下由待优化 变量值为坐标组成的样本点 参数寻优参数寻优 按照欧式距离的大小排序 建立优化变量、原料类别及对应操作变量集合 实现实现 过程过程 形成多目标优化操作样本库形成多目标优化操作样本库 确立每类原料条确立每类原料条 件下各优化目标件下各优化目标 的最优值的最优值 计算样本点计算样本点 与理论最优点与理论最优点 的欧式距离的欧式距离 操作参数推荐操作参数推荐?完成原料的聚类分析，确定每天对应的原料类 别。将原料类别、所有 优化变量及其强相关操 作参数按天为单位写入 操作样本库中。?在操作样本库中搜索某 类原料条件下，各优化 变量的最优值，并将这 些

19、值作为多维空间中理 论最优点的坐标。?计算某类原料条件 下多维空间中的优 化样本点与理论最 优点的欧式距离。?在操作样本库中，搜索不 同类别原料条件下欧式距 离的最小值，以及对应的 强相关的操作变量的取值。进而可以实现基于原料性 质和优化目标，推荐操作 参数。16 大数据应用方案-茂名石化案例（5）多目标参数优化分析?根多目标优化应用效果?在操作样本库中，搜索不同类别原料条件下欧式距离的最小值，以及对应的强相 关的操作变量的取值。进而可以实现基于原料性质和优化目标，推荐操作参数。对欧式距离按从小到大排序，确定最小距离样本作为优化样本。对欧式距离按从小到大排序，确定最小距离样本作为优化样本。优化

20、样本 1 样本点 原料类别 纯氢产率 低硫液化气收率 燃料气单耗 重整汽油收率 欧式距离 2 a 4.0362139 0.408051453 0.050288315 90.23035255 0.479166783 3 a 3.9697842 0.340080972 0.051629265 90.18622053 0.578984526 4 a 3.9121334 0.356683345 0.051493443 90.15026447 0.635410454 1 a 3.830809 0.311651179 0.050302572 90.46376459 0.647438127 6 a 4.12

21、64003 0.503603403 0.054528679 89.81878764 0.70938834 7 a 4.0945915 0.57745754 0.052688831 89.76294647 0.769286569 5 a 3.9398124 0.494639028 0.048057041 89.84640457 0.783815043 8 a 4.1276415 0.50393138 0.05783485 89.70752919 0.810905065 9 a 4.4172044 0.530840676 0.056266014 88.80308645 1.657665121 2

22、推荐推荐A类原料条件下，目标的最优值及对应的操作参数。类原料条件下，目标的最优值及对应的操作参数。目标参数最优值 纯氢产率 低硫液化气收率 燃料气单耗 重整汽油收率 4.03621391 0.408051453 0.050288315 90.23035255 推 荐 操 作 参 数 换热器E701石脑油流量调节 重整反应温度 R704第四反应器入口压力 换热器E701石脑油流量调节 T701稳定塔塔顶温度 T701稳定塔塔底压力 F701炉出口温度 F704炉出口温度 175.0105814 525.1799787 0.36949156 175.0105814 58.26197232 0.80

23、265751 527.4304937 535.8905265 多目标优化应用效果?在操作样本库中，搜索不同类别原料条件下大数据应用方案-茂名石化案例 （6）非结构化数据分析）非结构化数据分析?对调度交接班日志进行文本挖掘分析，并关联重整汽油收率、产氢量和重整汽油芳含等结构化 数据，挖掘出原油油种对重整汽油收率等技术经济指标的影响规律，指导原油采购。研究研究 方法方法 导出调度交接班日志 文本特征分析文本特征分析 非结构化数据转化为结构数据非结构化数据转化为结构数据 提取原油油种和加工量数据 关联结构化数据关联结构化数据 提取汽油收率等数据 计算及结果展示计算及结果展示 计算出每种原油对应汽油收

24、率等 指标的加权值 实现实现 过程过程 文本特征确定 1、按天为单位，找出每套常减压对、按天为单位，找出每套常减压对 应的油种，肯能有重复，需要保留。应的油种，肯能有重复，需要保留。2、对于同一天有两个夜班日志的记、对于同一天有两个夜班日志的记 录，取有加工量的文本提取。录，取有加工量的文本提取。3、对于按班配炼量的文本，按照两、对于按班配炼量的文本，按照两 班计算班计算。将提取信息导入数据库中 关联原油油中和汽油收率等数据 结果展示?导出历史的调度交际班 日志，分析5套常减压的 原油油种及加工量的文 本特征，确定提取关键 信息的规则。?按照天为单位，根据前 面确定的文本特征，提 取加工原油的

25、油种及对 应的加工量，并存储到 数据库中。?按 天 为 单 位，从 MES和LIMS系统中 提取汽油收率、产 氢量和重整汽油芳 含等 数据，并与原 油油种关联后存入 数据库中。?计算每种原油对应汽油收 率等指标的加权值，并按 照从大到小的顺序列，以 此结果指导原油的采购。18 大数据应用方案-茂名石化案例 （6）非结构化数据分析 非结构化数据分析应用效果 对13年-15年的所有调度 交接班日志进行文本挖掘，统计出茂名加工原油的油 种及其所占的比重并与结 构化数据关联分析。汽油收率最高的前10个油种 产氢量最大的前10个油种 重整汽油芳含最高的前10个油种 非结构化数据分析应用效果 对1 3 年

26、-1 5 年的所有调度 交接班大数据应用方案-茂名石化案例 （7）基于原料性质的预测分析）基于原料性质的预测分析?在历史数据的基础上，建立原料性质与汽油收率、产氢量、汽油干点、烷烃转化率和环烷烃转 化率的预测模型。输入原料性质数据，即可准确的预测上述5个指标的值以指导生产。研究研究 方法方法 数据采集数据采集 原始数据 模型训练模型训练 模型预测模型预测 模型输入模型输入 模型输出模型输出 输入原料性质数据输入原料性质数据 SVM模型训练模型训练 结果预测结果预测 实现实现 过程过程?导入操作数据、质量数据、腐蚀数据、成本数据、物 料平衡数据和能源数据等 所有历史数据到阿里云平 台；完成相关系

27、统与阿里云的 接口，实现数据的实时导 入。?从原始数据中导出原料性 质数据以及汽油收率等预 测指标数据分别作为SVM 模型训练的输入和输出。每天都要用新增的输入和 输出对模型进行再训练，以保证模型的预测精度。?输入重整原料的 31个 主要的化验分析数据；预测投用该批次原料 后的重整汽油收率、产氢量和转化率等技 术经济指标。20 大数据应用方案-茂名石化案例 （7）基于原料性质的预测分基于原料性质的预测分析应用效果?在投入原料之前，输入原料的化验分析数据到预测模型中，模型自动计算出投用 该批次原料后，汽油收率、产氢量、汽油干点、烷烃转化率以及环烷烃转化 5个 技术经济指标。参考预测结果，技术人员

28、可以根据生产计划调整相关的操作参数，比如重石脑油的配炼量。此举可以节约宝贵的重石脑油资源。基于原料性质的预测分析应用效果?在投入原料之前，输入原料的大数据在化工厂的应用解决方案(化工大数据)课件传统提高汽油收率的方法传统提高汽油收率的方法 2、调整重整反 应器温度和压力 1、调整原料结构 3、调整稳定塔参数 提高汽油 收率 23 传统提高汽油收率的方法 2、调整重整反 应器温度和压力 1、大数据分析的新发现大数据分析的新发现 分析指标 单元名称 大数据分析的相关参数名称 企业经验调优参数（填写“用”）预加氢单元 重整单元 F602出口支管温度 F602汽提塔重沸炉出口温度 T602第三十八层塔

29、盘温度 F602出口温度调节 T601汽提塔底温度 F602出口支管温度 F602重沸炉支路流量调节 E604管程出口温度 F701-F704对流段温度 F703炉管表面温度 换热器E701反应产物出口温度 C701透平机蒸汽入口温度 T701稳定塔塔顶温度 液化石油气出装置流量调节 用 用 用 连续重整 装置汽油 收率 H751电加热管表面温度（下）再生单元 再生氮气氢/烃分析 除尘风机出口流量调节 再生气去再生气加热器 分离料斗料位 中压给水流量调节 过热蒸汽出口温度 3.5MPa蒸汽锅炉自产流量 0.9MPa凝结水出装置流量指示 密度 初馏点 50%馏出温度 芳潜 重石脑油配炼量 大数据

30、分析可调优参数（填写“用”）用 用 用 用 用 用 用 用 用 用 用 用 用 用 用 用 用 用 用 公用工程单元 原料性质 用 用 大 数 据 分 析 出 来 而 企 业 忽 视 了 的 可 调 参 数 24 大数据分析的新发现 分析指标 单元名称 大数据分析的相关参数工业验证的参数工业验证的参数 因为传统的汽油收率调优参数中不包含预加氢单元的参数，所以本次工业验证可选 取与汽油收率强相关的预加氢单元的操作参数进行调整 与与 分析指标 单元名称 大数据分析的相关参数名称 DCS位号 相关系数 汽汽 TI6901 0.5662 T602第三十八层塔盘温度 油油 TC6028 0.5661 F

31、602出口温度调节 连续重整 TI6026 0.5648 T601汽提塔底温度 收收 装置汽油 预加氢单元 TI6027C 0.5756 F602出口支管温度 收率 率率 FIC6011A 0.5635 F602重沸炉支路流量调节 TI6024 0.6066 正正 E604管程出口温度 相相 关关?根据第一次工业验证的经验，因为装置目前超负荷，上表中根据第一次工业验证的经验，因为装置目前超负荷，上表中5个个 温度参数调整之后容易导致汽提塔顶冷后温度超标等一系列的温度参数调整之后容易导致汽提塔顶冷后温度超标等一系列的 问题。因此本次验证选取问题。因此本次验证选取FIC6011A这个参数进行微调，

32、观察汽这个参数进行微调，观察汽 油收率是否能够提高。油收率是否能够提高。25 工业验证的参数 因为传统的汽油收率调优参数中不包含预加氢单元工业验证方案工业验证方案 通过与车间技术人员详细对接，制定了针对FIC6011A的为期一个月的验证方案 1 2 3 26 工业验证方案 通过与车间技术人员详细对接，制定了针对F I C 64、三种验证方式对比、三种验证方式对比 对汽油收率与操作参数之间的相关性进行验证，通常有以下三种方式：瞬时值验证?瞬时值验证，可以 看出汽油收率的瞬 时值与验证变量的 瞬时值之间的相关 性。这种方式要考 虑时滞的因素，因 为操作参数调整之 后，汽油收率不可 能立即发生变化，

33、需要一个时间过程。因此可以将瞬时值 验证作为验证结果 的一个参考。MES数据验证?MES数据验证是通 过MES系统中24 小时内的汽油出装 置量除以重整的进 料量计算的汽油收 率，与此期间验证 变量的平均值的对 比分析，来验证相 关性。这种方式消 除了时滞的影响，且计算汽油收率相 对准确。流程模拟验证?由于工业装置不可 能单独调整某个变 量而保持原料性质 和其它操作参数不 变，因此可以采用 流程模拟的方法，保持原料性质和其 它参数不变，仅改 变验证参数，观察 汽油收率的变化。可以选择可以选择MES数据验证来对调整结果进行验证，将瞬时值数据验证来对调整结果进行验证，将瞬时值 验证和流程模拟验证作

34、为辅助参考。验证和流程模拟验证作为辅助参考。27 4、三种验证方式对比 对汽油收率与操作参数之间的相关性进行验验证环境验证环境 验证过程中，应该尽可能保证影响汽油收率的关键参数相对平稳。这样的验证结果才能真实反映出汽油收率受验证变量的影响情况。影影 响响 汽汽 油油 收收 率率 的的 关关 键键 参参 数数 在实际操作中，操作参数一般不会有较大调整在实际操作中，操作参数一般不会有较大调整，而原料芳潜和重石脑油的配炼量变化较大，而原料芳潜和重石脑油的配炼量变化较大。因此应该选择原料芳潜和重石脑油配炼量因此应该选择原料芳潜和重石脑油配炼量相近相近 的样本进行比较。的样本进行比较。28 验证环境 验

35、证过程中，应该尽可能保证影响汽油收率的关键参数相（一）瞬时值验证（一）瞬时值验证-验证环境验证环境 原料芳潜变化不大。原料芳潜变化不大。重石配炼量变化不大。重石配炼量变化不大。29（一）瞬时值验证-验证环境 原料芳潜变化不大。重石配炼量变（一）瞬时值验证（一）瞬时值验证-验证结果验证结果 FI7016 平平 均均 增大增大0.99t/h 代表均值代表均值 汽油收率平均增大汽油收率平均增大 0.42%30（一）瞬时值验证-验证结果 F I 7 0 1 6 平 均 增大0（二）（二）MES验证验证-验证思路验证思路 在相同验证环境下（原料芳潜和重石配炼量相近），对比调优前后 的汽油收率。具体步骤如

36、下：按天为单位采集最新一 个生产周期的数据（原 料芳潜、重石配炼量和 汽油收率。对每天的原料芳潜和重 石配炼量数据做聚类分 析，将相近的样本聚成 一类，同一类别中每个 样本的验证环境一致。将调优后的汽油收率与 同一类别中历史收率的 均值进行比较，观察汽 油收率是否提高。31（二）ME S 验证-验证思路 在相同验证环境下（原料芳潜和重石（二）（二）MES验证验证-聚类分析聚类分析 重整装置于2013年10月大修，2013年11月开工后进入第三个运行周期。本 次验证采集2013年12月之后的数据作为分析的对象。采集采集2 0 1 3 年年1 2 月以来月以来 的原料芳潜和重石配的原料芳潜和重石配

37、 炼量数据炼量数据 K-m eans聚类分析，聚类分析，共聚成共聚成7 8 类类 原料芳潜和重石配炼量原料芳潜和重石配炼量 相近的聚为一类，可认相近的聚为一类，可认 为验证环境相同。为验证环境相同。其它类别 32（二）ME S 验证-聚类分析 重整装置于2 0 1 3 年1 0 月大修，（二）（二）MES验证验证-结果分析结果分析 2015年年12月月3日日 采集相同验证环境下的数据采集相同验证环境下的数据 DATE 重石配炼量重石配炼量 原料芳潜原料芳潜 汽油收率汽油收率 2014/4/17 1123 36.48 89.97 2014/5/26 1155 36.03 86.37 2014/1

38、1/22 1123 36.34 90.52 2015/6/4 1186 36.14 90.54 2015/7/13 1151 36.69 90.14 2015/7/18 1197 36.38 90.35 2015/7/19 1147 36.11 90.20 2015/9/4 1188 36.69 90.90 2015/10/31 1173 36.03 91.23 2015/11/4 1143 36.90 91.08 2015/11/6 1140 36.40 91.26 2015/11/12 1130 36.30 91.24 2015/11/17 1120 36.20 89.95 2015/11

39、/22 1120 36.50 90.83 2015/11/23 1183 36.30 91.19 2015/11/24 1171 36.90 91.31 2015/11/26 1112 36.20 91.67 2015/12/3 1117 36.78 91.29 类别类别 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 FIC6011A TI7001 60.00 523.98 60.00 523.98 60.01 523.98 60.00 525.44 59.99 526.19 60.00 527.77 60.00 527.79 60

40、.00 523.67 59.99 526.50 59.99 527.89 60.03 527.90 60.00 526.68 59.97 527.17 60.00 527.64 59.99 527.65 59.99 527.66 60.00 527.88 64.45 527.90 该验证环境下历史收率的分布该验证环境下历史收率的分布 相近重整反应温度下的历史收率的数相近重整反应温度下的历史收率的数 学期望（均值）学期望（均值）=90.87%汽油收率提高汽油收率提高0.42%33（二）ME S 验证-结果分析 2 0 1 5 年1 2 月3 日 采集相同验（二）（二）MES验证验证-结果分析结果

41、分析 2015年年12月月4日日 采集相同验证环境下的数据采集相同验证环境下的数据 DATE 2014/2/26 2014/9/25 2014/10/7 2014/10/11 2014/10/12 2014/11/14 2014/11/26 2014/11/27 2014/11/28 2015/1/3 2015/1/26 2015/1/29 2015/9/14 2015/10/13 2015/10/20 2015/12/4 重石配炼量重石配炼量 1079 1005 1004 1067 1055 1041 1036 1064 1049 1023 1074 1058 1068 1009 1043

42、1074 原料芳潜原料芳潜 35.02 35.90 35.54 35.94 35.68 35.81 35.30 35.41 35.16 35.43 35.16 35.58 35.19 35.85 35.67 35.30 汽油收率汽油收率 89.84 89.54 89.69 89.83 89.72 90.49 90.39 90.33 90.19 90.01 89.90 90.04 90.86 90.50 91.15 90.98 类别类别 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 FIC6011A 60.00 60.00 59.99 60.00

43、 60.00 60.00 59.99 60.00 60.00 60.00 60.00 60.00 60.01 60.00 60.00 66.00 TI7001 518.04 526.18 525.17 523.70 524.07 523.62 523.22 522.85 522.67 521.97 523.40 522.89 525.00 525.62 525.20 528.54 该验证环境下历史收率的分布该验证环境下历史收率的分布 相近重整反应温度下历史收率的数学相近重整反应温度下历史收率的数学 期望（均值）期望（均值）=90.83%汽油收率提高汽油收率提高0.15%34（二）ME S 验证

44、-结果分析 2 0 1 5 年1 2 月4 日 采集相同验（二）（二）MES验证验证-结果分析结果分析 2015年年12月月5日日 采集相同验证环境下的数据采集相同验证环境下的数据 DATE 2014/2/26 2014/9/25 2014/10/7 2014/10/11 2014/10/12 2014/11/14 2014/11/26 2014/11/27 2014/11/28 2015/1/3 2015/1/26 2015/1/29 2015/9/14 2015/10/13 2015/10/20 2015/12/5 重石配炼量重石配炼量 1079 1005 1004 1067 1055 1

45、041 1036 1064 1049 1023 1074 1058 1068 1009 1043 1079.44 原料芳潜原料芳潜 35.02 35.90 35.54 35.94 35.68 35.81 35.30 35.41 35.16 35.43 35.16 35.58 35.19 35.85 35.67 35.70 汽油收率汽油收率 89.84 89.54 89.69 89.83 89.72 90.49 90.39 90.33 90.19 90.01 89.90 90.04 90.86 90.50 91.15 91.10 类别类别 15 15 15 15 15 15 15 15 15 1

46、5 15 15 15 15 15 15 FIC6011A 60.00 60.00 59.99 60.00 60.00 60.00 59.99 60.00 60.00 60.00 60.00 60.00 60.01 60.00 60.00 66.00 TI7001 518.04 526.18 525.17 523.70 524.07 523.62 523.22 522.85 522.67 521.97 523.40 522.89 525.00 525.62 525.20 528.04 该验证环境下历史收率的分布该验证环境下历史收率的分布 相近重整反应温度下历史收率的数学相近重整反应温度下历史收率

47、的数学 期望（均值）期望（均值）=90.83%汽油收率提高汽油收率提高0.27%35（二）ME S 验证-结果分析 2 0 1 5 年1 2 月5 日 采集相同验（二）（二）MES验证验证-结果分析结果分析 2015年年12月月6日日 采集相同验证环境下的数据采集相同验证环境下的数据 DATE 重石配炼量重石配炼量 2014/11/11 967 2014/12/31 964 2015/7/31 981 2015/8/14 980 2015/9/12 961 2015/10/5 959 2015/10/7 995 2015/12/6 982 原料芳潜原料芳潜 35.92 36.13 36.26

48、36.33 35.76 35.92 36.20 36.10 汽油收率汽油收率 89.72 90.06 90.97 90.97 90.44 90.88 90.64 91.31 类别类别 23 23 23 23 23 23 23 23 FIC6011A 60.01 60.00 60.00 59.99 59.98 59.89 60.35 66.00 TI7001 524.74 517.51 526.88 526.43 525.78 513.34 521.03 527.89 该验证环境下历史收率的分布该验证环境下历史收率的分布 相近重整反应温度下历史收率的数学相近重整反应温度下历史收率的数学 期望（均

49、值）期望（均值）=90.97%汽油收率提高汽油收率提高0.34%36（二）ME S 验证-结果分析 2 0 1 5 年1 2 月6 日 采集相同验（二）（二）MES验证验证-结果分析结果分析 2015年年12月月7日日 采集相同验证环境下的数据采集相同验证环境下的数据 DATE 重石配炼量重石配炼量 原料芳潜原料芳潜 汽油收率汽油收率 类别类别 2014/2/27 1060 36.39 90.36 41 2014/4/17 1123 36.48 89.97 41 2014/7/3 1088 36.52 90.58 41 2014/9/18 1077 36.05 89.77 41 2014/10

50、/3 1077 36.72 89.91 41 2014/10/8 1099 36.09 89.77 41 2014/10/10 1066 36.64 89.81 41 2014/10/11 1067 35.94 89.83 41 2014/11/22 1123 36.34 90.52 41 2014/11/24 1092 36.44 90.46 41 2015/1/28 1092 36.30 90.25 41 2015/9/18 1095 36.46 91.13 41 2015/11/17 1120 36.20 89.95 41 2015/11/22 1120 36.50 90.83 41 2